Методика определения оптимальных сроков ремонта транспорта с использованием технологии нейронных сетей

Управление техническим сервисом на транспорте в пассажирских и грузовых перевозках, сельскохозяйственных работах включают в себя следующие операции: поиск и выбор поставщика, принятие решения о необходимости аутсорсинга, составление плана ремонта, включая расчет необходимого количества материалов, денежных вложений, оборудования и т.д. При выполнении данных операций особенно важно понимать сроки проведения ремонта, трудоемкость работ и временные затраты. В работах [1–4] предлагается выполнять прогнозирование технического состояния транспорта на основе статистических данных и значений параметров технического состояния. Между тем без использования прогнозирования объемов работ транспорта технический сервис может отрицательно повлиять на эффективность предприятия в целом.

Цель исследования – совершенствование методики планирования ремонта транспорта для обеспечения оптимального управления техническим сервисом за счет применения прогноза объемов работ на определенный период и технического состояния транспорта на основе современных методов обработки данных: нейронных сетей.

Материалы и методы исследования

Оптимальное управление техническим сервисом возможно при выполнении следующих условий: выполняется требуемый объем сервисных работ, периодичность ТО соответствует требуемым значениям [3].

Для эффективного функционирования предприятия необходимо обеспечить работоспособность транспорта в нужный момент времени. Предприятие несет затраты на закупку материалов, деталей и зарплату специалистам по техническому сервису, а также аутсорсинг. Таким образом выражается влияние эффективности управления технического сервиса на эффективность предприятия (рис. 1).

Рис. 1. Влияние эффективности управления технического сервиса на эффективность предприятия

К методам прогнозирования объемов работ транспорта можно отнести: статистические методы и нейронные сети. Статистические методы позволяют строить регрессионные зависимости на основе накопленной выборки данных [5–7]. Такой подход с учетом всех факторов не всегда может обеспечить требуемую точность. Нейронные сети как инструмент прогнозирования имеют преимущество в том, что могут эффективно использовать нелинейные зависимости и точнее описывать наборы данных. Это

Vestnik of Omsk SAU, 2023, no. 2(50)

PROCESSES AND MACHINES OF AGROENGINEERING SYSTEMS обосновывает их применение в системе технического сервиса предприятия. Рассмотрим существующие решения прогнозирования объемов работ транспорта.

В работе [6–8] представлена возможность точного прогноза потребности техники в определенный промежуток времени. В работе о прогнозе пассажирских перевозок [5]

для обучения нейронной сети целью прогнозирования пассажиропотока использовались факторы: час дня, тип дня (праздничный, непраздничный), месяц, декада месяца, температура воздуха, осадки, облачность в баллах.

Рассмотрим условия определения объемов и сроков проведения ремонта.

Первое условие:

П < —,

і Mt, где Vi – объем работы, который должна выполнить техника i-вида на период t; Мi – объем работы, который может выполнить единица техники i-вида на период t; ni – количество техники предприятия i-вида в ремонте; Vi / Mi – прогноз потребного количества техники i-вида на период t.

Второе условие заключается в возможности ремонтной службы предприятия на данный период:

^ТгГ^п і <^Тг і т _ах ,                                   (2)

где Tr i – время ремонта единицы техники i-вида на период t , которое зависит от трудоемкости ремонта и возможностей ремонтной службы предприятия; Tr i max – максимальное время, которое может затратить ремонтная служба на i-период.

Целевую функцию технического сервиса при оптимальном выполнении объемов и качества работ можно выразить:

С м -Г і + С п • tr • r + С_іа • п_іа ^ тіп,                        (3)

где См – затраты на материалы; ri – количество ремонтов i-го типа; Сп – часовая ставка рабочего; tri – трудоемкость i-го ремонта; ri – количество ремонтов i-го типа; Саi – за- траты на услуги по техническому сервису i-го вида; nia – количество услуг по техническому сервису i-го вида.

Как было показано в исследованиях [9; 10], для выполнения работ по техническому обслуживанию и ремонту техники возможно применение аутсорсинга. При невыполнении условия 1 возникает опасность нехватки транспорта на заданный период. В таком случае необходимо выполнить ремонт до этого периода. Периодичность и чередование ТО и ремонтов указана в нормативной литературе, например, периодичность технического обслуживания автомобилей устанавливается по пробегу и изменяется в зависимости от условий эксплуатации. Для Центральной зоны России периодичность представлена в табл. 1, в соответствии со стандартом РФ «21624-81 Система технического обслуживания и ремонта автомобильной техники. Требования к эксплуатационной технологичности и ремонтопригодности изделий» (таблица).

Таким образом возможен сдвиг выполнения текущего ремонта или ТО на более ранний срок. Далее выполняется проверка условия 2, которая заключается в оценке ресурсов ремонтной службы предприятия, позволяющих выполнить весь требуемый объем работ по сервису. При невыполнении условия возможно применить аутсорсинг, то есть выполнить поиск поставщика услуг по техническому сервису техники для данной работы. Блок-схема алгоритма определения сроков проведения ремонта представлена на рис. 2.

Vestnik of Omsk SAU, 2023, no. 2(50)

PROCESSES AND MACHINES OF AGROENGINEERING SYSTEMS

Рис. 2. Блок-схема алгоритма определения сроков проведения ремонта

Периодичность видов технического обслуживания

Тип изделия	Периодичность видов технического обслуживания
	ЕО	ТО-1	ТО-2	ТО по сервисным книжкам
		км, не менее
Автомобили легковые	Один   раз в рабочие сутки независимо  от числа рабочих смен	5000	20 000	10 000
Автобусы		5000	20 000
Автомобили грузовые, автобусы на базе грузовых автомобилей или с использованием их основных агрегатов		4000	16 000
Прицепы и полуприцепы		4000	16 000
Автомобили полноприводные		4000	16 000

Vestnik of Omsk SAU, 2023, no. 2(50)

PROCESSES AND MACHINES OF AGROENGINEERING SYSTEMS

Модель (3) выражает общую зависимость затрат от объемов технического сервиса на i-период. Использование нейронной сети в техническом сервисе обусловлено ее способностью классифицировать объекты и прогнозировать значения функции.

Для подготовки нейронных сетей применяются данные, полученные от различных датчиков, использующихся при работе техники. Во время диагностирования получают данные о техническом состоянии машины, например, с помощью датчиков разряжения и давления в цилиндре выясняются такие параметры, как: значения углов закрытия и открытия клапанов, потеря компрессии в цилиндре. Вместе с датчиком давления, вкрученным вместо свечи в цилиндр, отслеживается взаимное положение коленчатого и распределительного валов, герметичность камеры сгорания, угол опережения зажигания в цилиндре, противодавление выхлопной системы. Данные датчики работают совместно с мотор-тестом, диагностическая информация выводится в виде осциллограммы. Пример на рис. 3.

Проведенная диагностика показала, что присутствует потеря компрессии во 2-м цилиндре. Машина направлена для ремонта мотористам. Обучение нейронной сети по таким осциллограммам возможно. Для этого применяют сверточные нейронные сети. Они способны выполнять задачу классификации изображений. В исследовании [8] показана их работа по результатам вибродиагностики.

Рис. 3. Осциллограмма

При наличии обучающей выборки по 100–200 изображений на каждый дефект возможно обучить нейронную сеть, которая сможет интерпретировать результаты диагностик. Методики реализации такой нейронной сети известны [8].

Таким образом создаются условия для применения сложной диагностирующей аппаратуры в условиях отсутствия или нехватки экспертов.

Рассмотрим данный тип нейронных сетей подробно. Сверточные нейронные сети содержат следующие виды слоев: сверточные (convolutional) слои, субдискретизирую-щие (sub-sampling, подвыборка) слои и слои «обычной» нейронной сети (рис. 4).

Vestnik of Omsk SAU, 2023, no. 2(50)

PROCESSES AND MACHINES OF AGROENGINEERING SYSTEMS

Рис. 4 . Структура сверточной нейронной сети

Первые два вида слоев (convolutional, sub-sampling) создают входной вектор признаков для «обычного» слоя нейронной сети. На сегодняшний день наиболее эффективные результаты по распознаванию изображений получает данный вид нейронных сетей. В среднем точность распознавания изображений превосходит обычные нейронные сети на 10–15%.

Применение данных сетей позволит интерпретировать результаты работы сложной диагностирующей аппаратуры, что расширяет сферу ее применения. При этом для получения информации о техническом состоянии можно выделить два способа с применением нейронных сетей. В первом нейронная сеть получает информацию после диагностики во время очередного технического обслуживания. Во втором случае – непосредственно от датчиков во время работы техники. Второй способ постепенно входит в практику эксплуатации техники в виде различных телеметрических систем, напри- мер, JDLink (фирма «John Deere»), Remote Diagnostics (фирма «Scania»), AGROTRONIC (ПАО «Ростсельмаш») и др.

Для работы с этими системами нейронную сеть также необходимо предварительно обучать. Для этого первым шагом формируется обучающая выборка, которая содержит информацию по значениям отслеживаемых параметров и соответствующих им неисправностях. Вторым шагом обязательно необходимо выполнить min-max нормализа- цию данных (4), функции активации нейронной сети работают в диапазоне (0;1) или

(–1;1).

Х  Хтіп

^Хтах - ^Хтіп

х[

где Xi – нормализированное значение фактора в обучающей выборке; Xi – i-ое значение фактора в обучающей выборке; Xmin – минимальное значение фактора в обучающей выборке; Xmax – максимальное значение фактора в обучающей выборке.

Обучение проводится до получения необходимого уровня точности [11]. После чего начинается применение нейронной сети для прогнозирования технического со- стояния.

Заключение

Рассмотрены операции, которые необходимо выполнять при управлении техническим сервисом на транспорте в пассажирских и грузовых перевозках. Показана актуальность применения современных методов обработки данных в управлении техническим сервисом. Предложена методика, включающая прогнозы потребности техники в определенный промежуток времени и оптимального времени ремонта по диагностической информации. Для данной методики с целью повышения точности прогнозов предложено использовать нейронные сети. Для прогноза объема потребности техники в определенный период предлагается использовать нейронные сети, обученные на вы-

Vestnik of Omsk SAU, 2023, no. 2(50) PROCESSES AND MACHINES OF AGROENGINEERING SYSTEMS борках данных. Данные подбираются в зависимости от области использования транспорта. Для пассажироперевозок – прогноз суточного или месячного пассажиропотока. Предлагаются условия принятия решения о количестве техники в ремонте с учетом прогноза ее потребности. Первое условие проверяет удовлетворение потребности в технике на определенный i-й период. Второе условие оценивает возможность ремонтной службы предприятия выполнить предлагаемый объем работ по техническому сервису. Выражена целевая функция технического сервиса при оптимальном выполнении объемов и качества работ. Это необходимо для оптимальной организации участников технического сервиса, распределения работы между ремонтной службой предприятия и поставщиками услуг по ремонту, дилерами. Данные условия позволяют определить сроки проведения ремонта на основе прогнозов потребности техники на определенный период и ее технического состояния с использованием нейронных сетей.

Рассмотрены две возможности применения нейронных сетей для прогнозирования технического состояния – по графической информации и по показаниям различных датчиков при использовании различных телеметрических систем. Первый способ реализуется с помощью применения сверточных нейронных сетей и сложной диагностирующей аппаратуры в условиях отсутствия экспертов. Во втором способе применяется нейронная сеть архитектуры-перцептрон. Предложенная методика распределения сроков выполнения ремонтов повышает эффективность предприятия за счет назначения оптимальных сроков. Решение задачи оптимальных сроков ремонта возможно за счет использования прогноза потребности в технике на определенный период и за счет использования технологии нейронных сетей данного прогноза и оценки технического состояния.